2020年1月，剑桥大学替代金融中心（CCAF）发布了一项关于人工智能对金融业影响的研究结果。该研究是业内最全面的全球调研之一，调查对象包括来自33个国家的151家机构，其中包括现有的金融机构和金融科技公司。

研究结果如下：至少77%的受调查者认为在未来几年，AI将对其公司产生重大影响。约64%的人打算利用AI进行新客户开发、客户服务、风险管理、过程自动化和新品开发。目前，AI已广泛应用于风险管理，在公司的使用率为56％。

在金融领域，高频交易公司和对冲基金一直都是应用AI的领头羊，最近，金融科技公司、保险公司、银行及监管机构也在正迎头赶上。业内的AI应用包括机器人顾问、回溯测试、模型验证、投资组合构成和优化、压力测试、算法交易以及法令遵循等。接下来就来详细介绍一下这些应用。

1.风险管理

AI和机器学习算法正在逐渐颠覆财务风险管理。AI驱动的解决方案提供了以下见解：

· 决定客户的贷款额度。

· 向交易者发送有关风险头寸的警报。

· 增强合规能力并限制模型风险。

以百度为例，看看为什么CCAF研究中的受访者将风险管理列为应用AI的首要关注事项。2016年，百度寻求ZestFinance（一家专门从事人工智能产品的美国金融科技公司）的帮助，旨在为在其平台上购买商品的零售商提供小额贷款。

然而，中国的借贷市场与西方市场大不相同，存在部分数据不全的问题。通过分析百度的海量用户数据集（尤其是搜索及购买历史），ZestFinance成功解决了这项问题。借此，ZestFinance应用AI帮百度决定是否借款给客户。到2017年，调查发现，百度无明显信贷损失的小项目贷款量增加了150%。

由于ZestFinance通过专有技术处理财务数据，其AI解决方案的完整细节仍是未知。然而，ZestFinance的处理方式结合了两种机器学习算法：决策树和聚类。

比如，若搜索历史显示该客户频繁访问赌博网站，公司便把他归入高风险类。与之相反，若借款人购物信用良好，公司便将他分入低风险类。通过自动化，百度的财务人员很容易就能审查借款申请，根据借款人的风险级别批准借款。

2.算法交易

长期以来，投资公司用电脑完成交易。大量对冲基金要靠数据科学家来建设数据模型。但此方式有一个重大限制——它只用大多是静态的且依靠人工干预的历史数据。因此，这些计算很难根据市场变化而变化。

现代AI模型用算法交易实现了大跨步。这些模型的不同之处在于，它们不仅分析海量数据，分析的过程完全实现了自动化——模型不断学习、改进，最终可以媲美人类。这种“智能”源自复杂的机器学习技术，如进化计算（基于遗传的搜索算法）及贝叶斯网络。

AI工具在全世界资源中汲取海量数据，从中“学习”并给出相应预测。数据收集得十分彻底：它从金融交易所、新闻报道、书籍、社交媒体平台（如推文）甚至电视节目中提取信息。

重要的是，要理解AI是如何深入金融领域的。它不同于让人类决定金融策略的传统技术干预，在这里，AI才是主导。

Aidiya是AI赋能交易系统的一个典型案例，这一家总部在香港的AI对冲基金，允许用户通过AI完成一切股票交易。值得注意的是，初创企业并不是唯一对AI交易技术感兴趣的玩家。早前，一些耳熟能详的机构，如高盛、富国银行、花旗集团、摩根士丹利、美林、美国银行和摩根大通等对Kensho（人工智能交易平台）产生了浓厚的兴趣。

图源：unsplash

3.反欺诈

AI在金融领域的另一个应用就是发展迅速的欺诈检测。网络犯罪行业偷取了约6000亿美元，约占全球商业创造的GDP总量的0.8%。网络犯罪分子越来越精明，用现代技术实现犯罪目的。Statista预测，到2022 年，综合反欺诈和预防市场的增长将超过400亿美元。

所以AI是如何起作用的？通过AI，现代机器学习网络罪犯融合监督式和独立技术，建立一个有准确预测能力的模型。

监督式学习使用注释数据（由人工处理且被认作是欺诈活动的数据），并从公司数据集中学习复杂的模式。同时，非监督式学习处理此前未被识别的数据，自行推断数据结构。其它反欺诈的方法还包括回归和分类。这两者能分析数据，决定交易是否属于欺诈行为。

用于解决问题的标准监督算法包括：

· 决策树帮助引入一组规则，这些规则在训练欺诈实例的同时学习正常的客户行为，因此能识别异常情况并发出警报。

· 神经网络基于人脑，能够学习并适应客户行为从而监测实时欺诈。

非监督学习算法包括：

· K均值聚类将数据集拆分为相似的数据点集合（簇）以进行异常检测。

· 局部离群因子确定数据点的局部密度，识别密度相似的区域。数据科学家可以用局部性概念来标记密度异常低的点，称为离群点。此种方式可用于检测欺诈交易。

4.监管科技

图源：unsplash

合规遵循是金融的一项重要职能，在像当前这样的经济危机中更是如此。遵循与企业风险管理相关，还有处理风险的功能，例如运营、市场和信用风险。

监管科技是金融科技领域有关合规遵循的高级功能。在这里，当被用于持续监测某公司的活动时，AI便能体现优势。借此，它提供了有价值的实时洞察，能在第一时间阻止违规行为再次出现。此外，这种监管模式让公司省去监管资本，并利用自动化来降低过多的合规成本——大型金融公司每年在合规方面的支出高达700亿美元。

IBM就是该领域的著名玩家。不久前，IBM收购了有600名员工的鹏睿（Promontory，监管金融初创企业），此收购促进IBM用众多AI赋能的解决方案来管理财务合规性。

比如，IBM正在用其专有的AI工具沃森（Watson AI）及鹏睿的监管金融专业实力来开展实时语音对话分析，以确保合规能力。部分过程包括将语音对话转为文本，再用自然语言处理进行文本分类，最后便能检测潜在的不合规行为。

其它的AI应用包括自动化阅读及法律文件解读（尤适用于确定含义）。总部在伦敦的Waymark就向金融公司提供这项服务。

尽管AI在金融领域应用诸多，却也存在弊处。业界需要纠正实际问题以增强AI的应用。

图源：unsplash

最大的担忧之一就是合适数据的可用性。尽管R语言和Python可以读取从Excel表格到SQL / NoSQL数据集的任何形式的数据，但AI驱动的解决方案的运行速度仍慢于企业准确组织其内部数据的能力。通常，数据存储在各个部门不同系统的不同筒仓中，不同系统的监管和内部政治困境限制了信息共享。

另一个难处就是缺乏技能熟练的人才：不仅要掌握专家级AI、机器学习和数据科学知识，还得有建设及应用金融行业以AI为中心的解决方案的经验。

雷·库兹韦尔（Ray Kurzweil）曾预言：“人工智能将在2029年左右达到人类智力的水平。再进一步，到2045年，我们将会把智能技术，即人类文明所创造的生物机器智能的能力扩大10亿倍。”

人类与AI联手，未来将有无限想象。

来源：读芯术